KI-Trends für Ingenieure: Wohin geht die Reise?

Der Einsatz von KI dürfte für Unternehmen entscheidend werden, um klare Wettbewerbsvorteile zu erzielen. Doch welche KI-Trends müssen Ingenieure im Auge behalten?

Ein Beitrag der Firma Mathworks
Redaktionelle Bearbeitung: Technik und Wissen

Laut Gartner haben Unternehmen, die KI-Engineering-Praktiken zur Entwicklung und Verwaltung adaptiver KI-Systeme eingeführt haben, einen klaren Wettbewerbsvorteil: Bis 2026 werden solche Vorreiter ihre Konkurrenten in Bezug auf die Anzahl und den Zeitaufwand für die Operationalisierung von KI-Modellen um mindestens 25 Prozent übertreffen.

Folglich gilt es für Unternehmen, die Einführung von KI weiter voranzutreiben und neue Anwendungsfälle für sich zu erschliessen, um den Anschluss nicht zu verlieren. Johanna Pingel, Product Marketing Manager für KI, bei MathWorks erläutert, welche KI-Trends Ingenieure im Blick behalten sollten und welche Herausforderungen es zu bewältigen gilt:

1. Physikgestützte KI – Modelle berücksichtigen Regeln und Prinzipien der realen Welt

Da KI sich in immer mehr Forschungsgebieten ausbreitet, beispielsweise komplexe technische Systeme, müssen KI-Modelle die physikalischen Randbedingungen, um insgesamt relevant zu sein. Die Kombination von Daten und Physik, etwa über neural ODEs (ordinary differential equations) oder auch PINNS (physics-informed neural networks) hat grosses Potenzial.

Im Mittelpunkt der physikgestützten KI stehen Simulationen: Komplexe Modelle können als Varianten innerhalb einer Simulation konfiguriert werden und ermöglichen Entwicklern einen schnellen Wechsel zwischen Modellen, um bestmögliche und genaueste Lösungen zu erhalten.

Auch die Modellierung mit reduzierter Ordnung (Reduced Order Modeling, ROM) mit physikalisch basierten Reduktionsmodellen ist ein wichtiger neuer Trend. Durch den Einsatz von KI können Simulationen beschleunigt werden, indem ein extrem rechenintensives First-Principles-Modell eines Systems ersetzt wird - unter Beibehaltung der Genauigkeit.

2. Zusammenarbeit an KI – Der freie Zugang zu KI breitet sich weiterhin aus

Forscher, Ingenieure und Datenwissenschaftler sollten ihre funktions- und branchenübergreifende Zusammenarbeit weiter ausbauen, um innovative Lösungen aus verschiedenen Blickwinkeln zu denken. Um neueste Modelle auf Abruf zur Verfügung zu stellen und es Anwendern zu ermöglichen, innerhalb kürzester Zeit auf den neuesten Forschungsergebnissen aufzubauen, bieten sich netzbasierte Dienste zur Versionsverwaltung für Software-Entwicklungsprojekte wie GitHub an.

Auch Open-Source-Lösungen erfreuen sich einer zunehmenden Beliebtheit, da Ingenieurteams oftmals mit Modellen aus unterschiedlichen Frameworks arbeiten. Eine stärkere Vernetzung von Wissenschaft, akademischen Forschungseinrichtungen und Unternehmen treibt die KI-Forschung zudem weiter voran, wovon Forschende und Anwender profitieren, beispielsweise zu Themen wie physikgestütztem Machine Learning und biomedizinischer Bildverarbeitung.

1. Physikgestützte KI – Modelle berücksichtigen Regeln und Prinzipien der realen Welt

2. Zusammenarbeit an KI – Der freie Zugang zu KI breitet sich weiterhin aus

3. Unternehmen fokussieren sich auf kleinere, leichter erklärbare KI-Modelle

KI-Anwender stellen zunehmend fest, dass sie Modelle bereitstellen, an die Hardware anpassen und Erklärungen für die Entscheidungen der Modelle liefern können müssen, damit diese Modelle relevant sind. Die Erklärbarkeit von Modellen und entsprechende Anwendungen rücken daher immer mehr in den Fokus von Ingenieuren.

Um die Anforderungen an kostengünstige Geräte mit geringem Stromverbrauch und erklärbaren Ausgaben zu erfüllen, greifen Ingenieure deshalb zunehmend auf traditionelle Machine-Learning-Modelle und parametrische Modelle zurück. Diese sind kompakt und haben einen geringen Speicherbedarf und erfüllen die Anforderungen der Anwendung durch eine einfache Interpretierbarkeit der Ausgabe.

Wenn neuere, speicherintensivere Modelle benötigt werden, bieten Quantisierungs- und Pruning-Techniken Möglichkeiten, die Modelle zu komprimieren, wodurch die Modellgrösse mit minimalen Auswirkungen auf die Genauigkeit reduziert wird. Falls erforderlich, können Ingenieursteams also Interpretierbarkeit, Quantisierung und Pruning nutzen, um die Verwendung von KI, einschliesslich Deep-Learning- und traditioneller Machine-Learning-Modelle, auf die herkömmliche Modellentwicklung ausweiten.

4. KI wird entscheidend für Design, Entwicklung und Betrieb moderner technischer Systeme

Da KI sich immer stärker in allen Branchen und Anwendungen durchsetzt, wird KI in der Zukunft entscheidend für technischen Fortschritt sowie die Entwicklung und den Betrieb moderner technischer Systeme. In etablierteren Tätigkeitsfeldern, in denen KI erst kürzlich eingeführt wurde, benötigen Ingenieure häufig zusätzliche Hintergrundinformationen zu dieser Technologie sowie spezifische Referenzbeispiele, um KI in ihre Arbeit zu integrieren. Basierend auf erprobten Beispielen können Ingenieursteams Daten und ihr Know-how in solche Beispiele einbringen und diese erweitern und so KI spezifisch angepasst auf ihre Aufgabenstellung integrieren.

Systeme werden immer komplexer und erfordern mehr und mehr Simulationen, um Embedded Algorithmen zu entwickeln und zu testen. Ingenieure können mithilfe von KI-Techniken Modelle reduzierter Ordnung erstellen, die komplexe Systeme mit Matlab und Simulink simulieren.

Welche Herausforderungen KI-Ingenieure erwarten

Mit welchen Herausforderungen gehen diese Entwicklungen einher? Da häufig je verschiedene Teams für die Erstellung und Implementierung von KI-Modellen zuständig sind, entstehen im KI-Umfeld komplexe Herausforderungen, die es für Ingenieure weiterhin zu bewältigen gilt. Die Auswahl der Vorverarbeitungsalgorithmen und das Modelltraining fallen beispielsweise meist in den Aufgabenbereich von Data Scientists, die den Fokus auf Genauigkeit und Robustheit legen.

Für eine erfolgreiche Portierung auf die Zielplattform müssen Ingenieure jedoch noch viele weitere Kriterien berücksichtigen. Frühzeitiges Testen von Algorithmen für eine Machbarkeitsbewertung (etwa mittels PIL = Processor-in-the-Loop) kann hier verhindern, dass bereits trainierte und mitunter sehr leistungsfähige Modelle am Ende wieder verworfen werden müssen.

Das Training der KI wird in aller Regel ausserdem in einer anderen Programmiersprache implementiert als die Umsetzung in der Hardware. Modelle aus der Trainingsumgebung können aber nicht ohne weiteres einfach auf der Zielhardware ausgeführt werden. Um Barrieren zwischen den Skriptsprachen zu überwinden, gibt es Laufzeit-Interpreter (etwa TensorFlow Lite), Machine Learning Compiler Frameworks wie Apache TVM oder die automatische Codegenerierung in Matlab/Simulink.

Schliesslich bleibt die Absicherung von KI-Modellen weiterhin ein wichtiges Thema: Während KI-Modelle in der Trainingsumgebung Fehler machen dürfen, um zu lernen und besser zu werden, können Fehler nach der Implementierung auf der Hardware zu grossen Schäden in real existierenden Systemen führen. Die Frage nach zuverlässigen, objektiv überprüfbaren Kriterien für ein als sicher geltendes Modell bleibt auch künftig ein wichtiger Forschungsbereich.

Beim Machine Learning wird Maschinen beigebracht, das zu tun, was für den Menschen selbstverständlich ist: aus Erfahrungen zu lernen. Mithilfe von Matlab können Sie Merkmale anhand Ihrer Daten entwickeln und Machine-Learning-Modelle anpassen.

Ausblick

Die Einführung von KI hat Auswirkungen auf das gesamte Unternehmen, von der interdisziplinären Zusammenarbeit bis zum Entwurf spezieller Komponenten. Daher ist es für Ingenieure von entscheidender Bedeutung, Anwendungsfälle zu identifizieren, die mit ihren kurz- und langfristigen Zielen übereinstimmen, und sie entsprechend zu implementieren. Mit dem Vordringen von KI in sämtliche Aufgabenfelder und auch sicherheitsrelevante Bereiche werden vor allem Fragen im Bereich der Modellgüte, Sprachkompatibilität und Absicherung in den Fokus rücken.

Was ist die Zukunft der industriellen Automatisierung?

Mehr Infos zu diesem Thema gibt es auf Sindex 2023 vom 5. bis 7. September in Bern. Die Sindex, die führende Schweizer Fachmesse für industrielle Automation, findet vom 5. bis 7. September in Bern statt. MathWorks ist am Stand B10 in der Electronic City in Halle 3 zu finden. Der konkrete Einsatz von Matlab und Simulink wird anhand folgender Demo-Anwendungen gezeigt:

Objekterkennung, Hindernisvermeidung und Trajektorienoptimierung in einer Pick-and-Place-Roboteranwendung
Lehr von Regelungskonzepten mit Low-Cost Hardware

Mathworks hält auch einen Vortrag auf der Sindex 2023. Und zwar redet Christine Bolliger zum Thema «Applying AI to enable autonomy in robotics» (in deutscher Sprache). Ihr Vortrag gibt Einblicke in:

Reduzierung des manuellen Aufwands durch automatisches Data Labeling
Erkennen und Klassifizieren von Objekten mit Deep Learning für Robotik-Anwendungen
Bewegungsplanung mit Deep Learning
Steuerung von Roboterbewegungen mithilfe von Reinforcement Learning
Einsatz von Deep-Learning-Algorithmen als CUDA-optimierte ROS-Knoten

Eventblog Sindex 2023 von Technik und Wissen: Messeneuheiten, Firmennews, Tech-Story, Interviews - exklusiv in diesem Blog

Über MathWorks

MathWorks ist der führende Entwickler von Software für mathematische Berechnungen. Matlab, die Programmiersprache für Ingenieurwesen und Wissenschaft, ist eine Programmierumgebung für die Algorithmen-Entwicklung, Analyse und Visualisierung von Daten sowie für numerische Berechnungen.

Simulink ist eine Blockdiagrammumgebung für die Simulation und das Model-Based Design von technischen Mehrdomänen-Systemen und Embedded Systemen. Ingenieure und Wissenschaftler weltweit setzen diese Produkte ein, um die Forschung, Innovation und Entwicklung in der Automobilindustrie, Luft- und Raumfahrt, Kommunikationstechnik, Elektronik, industriellen Automatisierung und weiteren Branchen zu beschleunigen.

Darüber hinaus sind Matlab und Simulink an Universitäten und Institutionen weltweit wichtige Lehr- und Forschungswerkzeuge. MathWorks wurde im Jahr 1984 gegründet und beschäftigt heute über 6‘000 Mitarbeitende in 16 Ländern. Der Hauptsitz des Unternehmens befindet sich in Natick, Massachusetts, USA. Lokale Niederlassungen in der D-A-CH-Region befinden sich in Aachen, München, Paderborn, Stuttgart und Bern. Weitere Informationen finden Sie unter mathworks.com.

Jetzt die digitale Transformation vorantreiben

Am Siemens-Stand an der Sindex 2023 wird anhand konkreter Beispiele gezeigt, wie die digitale Transformation in kleinen Schritten oder mittels eines umfassenden Ansatzes geplant und umgesetzt werden kann.

Rundsteckverbinder M12, M8 und M5: Klassiker reloaded

In der Welt der Automation gibt es bestimmte Komponenten, die als unverzichtbar gelten. Zu diesen Klassikern gehören Steckverbinder der Bauformen M12, M8 und M5. Dank konstruktiver Fortschritte erweitern sie beständig ihre Funktion und Performance.

Mit MPN zu Industrie 4.0+

Grosse Datenmengen, niedrige Latenz, massive IoT-Kapazität und hohe Sicherheitsstandards sind für die Digitalisierung der Industrie zwingende Voraussetzungen. Eine Lösung, die aktuell getestet wird und viel Potenzial verspricht, wird all diesen Anforderungen gerecht: Mobile Private Networks.

EcoStruxure Power Monitoring Expert von Schneider Electric

Herstellerunabhängiger Automatisierungsansatz für mehr Nachhaltigkeit

Der ökologische Fussabdruck einer Industrieanlage ist auch davon abhängig wie diese automatisiert wurde. Wer es ernst meint mit dem Internet of Things, sollte proprietäre Systeme meiden.

Auch bei direktem LED-Gegenlicht: Baumer O200 Reflexionslichttaster

LEDs: Gift für optische Sensoren?

Fremdlicht ist für Lichtschranken und Lichttaster ein häufiger Störfaktor. Vor allem die beliebten LED-Lichtquellen erschweren die zuverlässige Objekterkennung. Dank Baumer gibt es ein wirksames Mittel gegen Fremdlichteinfluss.

Gaëtan Sprunger, Projektleiter für die Integration der MT-LINKi-Software

«Wir haben mit MT-LINKi schon viel Geld verdient»

Cyberis ist ein auf Präzisionsdrehteile spezialisiertes Familienunternehmen mit Sitz im Schweizer Jura. Das experimentierfreudige Unternehmen ist der erste Schweizer Kunde, der als Fanuc-Kunde die Datenerfassungssoftware MT-LINKi testet. Bereits nach eineinhalb Monaten waren die Testergebnisse überzeugend.